Pelacakan WiFi RSSI Akurat untuk Sensor ISS
Sensor di atas Stasiun Antariksa Internasional (ISS), termasuk pemantau CO2 pribadi, memerlukan pelacakan lokasi untuk mengkaitkan data yang berstempel waktu dengan informasi posisi. Labeling data berdasarkan inspeksi visual mahal dan tidak praktis untuk melacak banyak sensor. Solusi murah dan efisien adalah untuk menggunakan satu alat pengukuran tambahan yang dimiliki sensor ini; yaitu, pembacaan kekuatan sinyal WiFi atau Bluetooth mereka.
Menggunakan pembacaan kekuatan sinyal ini, perangkat lunak ini bertujuan untuk memberikan informasi lokasi perkiraan secara tepat waktu untuk unit sensor individual. Tujuan proyek Module-level ISS Sensor Tracker (MIST) adalah untuk menetapkan format data dan protokol standar untuk merekam informasi kekuatan sinyal WiFi sehingga dapat nanti digunakan untuk menemukan sensor di atas ISS. Google dan Apple memiliki solusi proprietary untuk layanan lokasi yang menggabungkan data GPS dengan pembacaan kekuatan WiFi untuk memberikan estimasi yang akurat dari posisi ponsel; namun, tidak ada metode yang sama untuk melacak perangkat yang diaktifkan WiFi di ISS.
Support-vector machines (SVM) dipilih sebagai algoritma untuk diusulkan. Motivasi utama adalah akurasi yang tinggi relatif terhadap jumlah sampel yang diperlukan untuk pelatihan, karena data pelatihan adalah biaya utama di ISS. Sebuah aplikasi dan library Python untuk mencatat informasi WiFi dan memprediksi posisi dikembangkan. Alur teknik yang dibangun memberikan kinerja yang sangat akurat untuk data set yang dikumpulkan. Dengan filter moving-window sederhana, prediktor dapat dengan benar mengidentifikasi modul mana sensor berada dengan >95% akurasi. Perbaikan lebih lanjut akan dapat mendekatkan ini ke 100%.
Program perangkat lunak terdiri dari dua mode operasi: pelatihan dan runtime. Untuk pelatihan, data RSSI WiFi dikumpulkan menggunakan utilitas command line Linux standar dan disimpan dalam format csv. Pembacaan RSSI pada setiap langkah waktu dikorelasikan dengan lokasi bernomor; dalam hal ini, modul ISS. Data ini dijalankan melalui serangkaian fungsi preprocessing yang menghapus pembacaan buruk/langka dan menyusun data ke dalam format yang siap untuk algoritma SVM. SVM kemudian dilatih terhadap data set pelatihan sesuai dengan serangkaian parameter yang diatur manual.
Dalam mode operasi runtime, data dikumpulkan seperti dalam mode pelatihan tetapi secara berurutan. Data ini dijalankan melalui preprocessor yang sama dengan data pelatihan, sehingga baik data pelatihan maupun runtime diskala ke rata-rata dan variansi yang sama. SVM kemudian mengambil data yang telah diproses ini dan membuat tebakan terbaik berdasarkan parameter yang diaturnya tentang modul/lokasi mana sampel dikumpulkan. Dengan menggunakan moving window average selama lima hingga sepuluh sampel, akurasi pelacakan hingga 95% dapat dicapai.
Tidak ada aspek individu dari algoritma yang diketahui sepenuhnya baru, meskipun alur subrutin tertentu mungkin baru. Proyek komersial serupa ada tetapi tidak ada yang jelas memberikan fleksibilitas untuk bekerja tanpa informasi GPS.
Pengembang sedang mencoba menguji sistem dengan data pelatihan yang dikumpulkan di ISS, memungkinkan mereka untuk menyesuaikan parameter sistem dan menentukan nilai pelacakan WiFi SVM dalam lingkungan refleksi yang benar-benar tinggi.
NASA mencoba untuk melisensikan perangkat lunak ini secara gratis dan membuatnya tersedia untuk penggunaan umum untuk proyek open source. Silakan hubungi Concierge Lisensi NASA di [email dilindungi], atau hubungi kami di 202-358-7432 untuk memulai diskusi lisensi.
